論文の概要: Open-world Contrastive Learning

• arxiv url: http://arxiv.org/abs/2208.02764v1
• Date: Thu, 4 Aug 2022 16:48:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-05 12:22:52.532062
• Title: Open-world Contrastive Learning
• Title（参考訳）: オープンワールドコントラスト学習
• Authors: Yiyou Sun and Yixuan Li
• Abstract要約: オープンワールドコントラスト学習(OpenCon)という新たな学習フレームワークを導入する。 OpenConは、既知のクラスと新しいクラスの両方でコンパクト表現を学ぶという課題に取り組む。 ImageNetデータセットでは、OpenConが現在のベストメソッドを11.9%、新鮮で全体的な分類精度が7.4%で大幅に上回っている。
• 参考スコア（独自算出の注目度）: 25.585152083052574
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advance in contrastive learning has shown remarkable performance. However, the vast majority of approaches are limited to the closed-world setting. In this paper, we enrich the landscape of representation learning by tapping into an open-world setting, where unlabeled samples from novel classes can naturally emerge in the wild. To bridge the gap, we introduce a new learning framework, open-world contrastive learning (OpenCon). OpenCon tackles the challenges of learning compact representations for both known and novel classes, and facilitates novelty discovery along the way. We demonstrate the effectiveness of OpenCon on challenging benchmark datasets and establish competitive performance. On the ImageNet dataset, OpenCon significantly outperforms the current best method by 11.9% and 7.4% on novel and overall classification accuracy, respectively. We hope that our work will open up new doors for future work to tackle this important problem.
• Abstract（参考訳）: 近年のコントラスト学習の進歩は目覚ましい業績を示している。 しかし、ほとんどのアプローチはクローズドワールド設定に限定されている。 本稿では,新しいクラスからラベルなしのサンプルが自然に自然に出現できるオープンワールド環境に足を踏み入れることで,表現学習のランドスケープを高める。 ギャップを埋めるため,オープンワールドコントラスト学習(OpenCon)という新たな学習フレームワークを導入する。 OpenConは、既知のクラスと新しいクラスの両方のコンパクト表現を学ぶことの課題に取り組み、その過程で新規性発見を促進する。 ベンチマークデータセットの挑戦に対するOpenConの有効性を実証し、競争性能を確立する。 imagenetデータセットでは、openconは現在のベストメソッドを11.9%、新規と全体的な分類精度で7.4%を大きく上回っている。 私たちは、この重要な問題に取り組むために、今後の作業のための新たな扉を開くことを願っています。

関連論文リスト

• Towards Few-Shot Learning in the Open World: A Review and Beyond [52.41344813375177]
  少ないショット学習は、人間の知性を模倣し、大きな一般化と伝達性を実現することを目的としている。 本稿では,FSLをオープンワールド環境に適用するための最近の進歩について概説する。 既存の手法は,3つの異なるタイプのオープンワールド・マイクロショット・ラーニングに分類する。
  論文  参考訳（メタデータ） (2024-08-19T06:23:21Z)
• Unlocking the Power of Open Set : A New Perspective for Open-Set Noisy Label Learning [58.4201336276109]
  両タイプのラベルノイズに対処する2段階のコントラスト学習手法を提案する。 具体的には、性能を高めるために、いくつかのオープンセットの例をクローズドセットのクラスに組み込む。
  論文  参考訳（メタデータ） (2023-05-07T06:55:28Z)
• Open Long-Tailed Recognition in a Dynamic World [82.91025831618545]
  実世界のデータは、しばしば長い尾を持ち、(目に見えないクラスを持つ)オープンな分布を示す。 現実的な認識システムは、多数派(頭)クラスと少数派(尾)クラスの間でバランスを取り、分布を一般化し、見知らぬクラス(オープンクラス)のインスタンスで新規性を認める必要がある。 我々は,Open Long-Tailed Recognition++を,このような自然分布データからの学習として定義し,バランスの取れたテストセット上での分類精度を最適化する。
  論文  参考訳（メタデータ） (2022-08-17T15:22:20Z)
• Bayesian Embeddings for Few-Shot Open World Recognition [60.39866770427436]
  埋め込みベースの数ショット学習アルゴリズムをオープンワールド認識設定に拡張する。 当社のフレームワークは,MiniImageNetとTieredImageNetによる数ショット学習データセットのオープンワールド拡張をベンチマークする。
  論文  参考訳（メタデータ） (2021-07-29T00:38:47Z)
• OpenGAN: Open-Set Recognition via Open Data Generation [76.00714592984552]
  実世界の機械学習システムは、トレーニングデータとは異なる新しいテストデータを分析する必要がある。 オープンセット識別のための概念的にエレガントな2つのアイデアは、1) オープンvs閉鎖二元判別器を識別的に学習し、2) GAN を用いてクローズドセットデータ分布を教師なし学習する。 OpenGANは、それぞれのアプローチの限界をいくつかの技術的な洞察と組み合わせて解決します。
  論文  参考訳（メタデータ） (2021-04-07T06:19:24Z)
• Open-World Semi-Supervised Learning [66.90703597468377]
  本稿では,従来のクラスを認識するためにモデルを必要とする,新しいオープンワールド半教師付き学習環境を提案する。 データの分類とクラスタ化を同時に行うアプローチであるORCAを提案する。 我々は,ORCAが新しいクラスを正確に発見し,ベンチマーク画像分類データセット上で以前に見られたクラスにサンプルを割り当てることを示した。
  論文  参考訳（メタデータ） (2021-02-06T07:11:07Z)
• Task-Adaptive Negative Class Envision for Few-Shot Open-Set Recognition [36.53830822788852]
  新しいソースからのクエリに堅牢な認識システムを学ぶための、数発のオープンセット認識(FSOR)の問題について研究する。 オープン世界をモデル化する新しいタスク適応型負クラスビジュアライゼーション手法(tane)を提案する。 本手法は, オープンセット認識における最先端の性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-12-24T02:30:18Z)
• A Review of Open-World Learning and Steps Toward Open-World Learning Without Labels [11.380522815465984]
  オープンワールド学習では、エージェントは既知のクラスのセットから始まり、知らないものを検出し、管理し、静止しないデータストリームから時間をかけて学習する。 本稿では,ラベルなしのオープンワールド学習を含む,様々なオープンワールド学習問題を定式化する。
  論文  参考訳（メタデータ） (2020-11-25T17:41:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。